搜索引擎的蜘蛛人.docVIP

搜索引擎的蜘蛛人（ROBOTS）秘密 　　我们知道，搜索引擎都有自己的“搜索机器人”（ROBOTS），并通过这些ROBOTS在网络上沿着网页上的链接（一般是http和src链接）不断抓取资料建立自己的数据库。 　　对于网站管理者和内容提供者来说，有时候会有一些站点内容，不希望被ROBOTS抓取而公开。为了解决这个问题，ROBOTS开发界提供了两个办法：一个是robots.txt，另一个是The Robots META标签。 　　一、robots.txt 　　1、 什么是robots.txt？ 　　robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。 　　当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果找到，搜索机器人就会按照该文件中的内容来确定访问的范围，如果该文件不存在，那么搜索机器人就沿着链接抓取。 　　robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。 　　网站 URL　　　　　　　相应的 robots.txt的 URL /　 　　/robots.txt :80/　 　:80/robots.txt :1234/　 :1234/robots.txt /　　　　　 /robots.txt 　　2、 robots.txt的语法 　　robots.txt文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL, or NL作为结束符），每一条记录的格式如下所示： 　　field:optionalspacevalueoptionalspace。 　　在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下： 　　User-agent: 　　该项的值用于描述搜索引擎robot的名字，在robots.txt文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在robots.txt文件中， User-agent：*这样的记录只能有一条。 　　Disallow : 　　该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow 开头的URL均不会被robot访问到。例如Disallow: /help对/help.html 和/help/index.html都不允许搜索引擎访问，而Disallow: /help/则允许robot访问/help.html，而不能访问/help/index.html。 　　任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在/robots.txt文件中，至少要有一条Disallow记录。如果 /robots.txt是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。 　　下面是一些robots.txt基本的用法： 　　禁止所有搜索引擎访问网站的任何部分： User-agent: * Disallow: / 　　允许所有的robot访问 User-agent: * Disallow: 　　或者也可以建一个空文件 /robots.txt file 　　禁止所有搜索引擎访问网站的几个部分（下例中的cgi-bin、tmp、private目录） User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /private/ 　　禁止某个搜索引擎的访问（下例中的BadBot） User-agent: BadBot Disallow: / 　　只允许某个搜索引擎的访问（下例中的WebCrawler） User-agent: WebCrawler Disallow: User-agent: * Disallow: / 　　3、常见搜索引擎机器人Robots名字 名称 搜索引擎 Baiduspider Scooter ia_archiver Googlebot FAST-WebCrawler Slurp MSNBOT 　　4、 robots.txt举例 　　下面是一些著名站点的robots.txt： /ro